💡Рынок стал хуже для кандидата Да, не самая инновационная идея, но я хотел обсудить одно из её проявлений, которое заметил сам. Как раньше выглядели вакансии? Ищем Senior QA Требования: - Опыт - Стек - Опциональный стек Обязанности: - И тут список задач, которые по плану придется делать Мы предлагаем: - Печеньки по ТК - Кальяныч в офисе - ДМС И вот сейчас всё примерно так же, только без последнего пункта. 📘 Теперь почти в каждой вакансии расписаны только требования и обязанности. Никаких приколов. А это очень явный показатель рынка работодателя. Ему не нужно пытаться продать себя кандидату, его интересуют только фильтры входящего потока по скиллам и циферкам в резюме. И кандидаты согласятся. Потому что бонусы это круто, но основной бонус - сам факт работы и получения зарплаты. 💸 И тут мы снова зацикливаемся и возвращаемся к тому, что самое важное в работе - зарплата. Как бы просветленные IT и HR умы не пытались вбить в голову сообществу великие идеи горящих глаз и какой-то идеи в перекладывании джейсонов, как только рынок повернулся к ним более удобным местом - сразу откинулась вся эта мишура с бонусами и корпоративной культурой. ✈️ Сама культура-то никуда не девается. Но вполне может трансформироваться из чего-то, что с натяжкой, но было интересно сотрудникам, в BIG BROTHER IS WATCHING YOU с трекерами, мониторингом движения мышки и надсмотрщика с кнутом, который щелкает каждый раз, когда ты от монитора отвернулся. И всё это в офисе в Одинцово, само собой (кто понял, тот понял). Потому что все так и так понимают, что работают люди за зарплату, а все бонусы это лишь способ блестящую обертку нацепить на вакансию. 🔨 Но как же горящие глаза компании? Разве не ради идеи предлагался кальян и массажисты в офисе? Я разочарован.

Meta* пожертвует 15 000 умных очков незрячим и слабовидящим людям Meta бесплатно передаёт 15 000 умных очков Ray-Ban Meta ирландской благотворительной организации Vision Ireland для помощи слепым и слабовидящим взрослым. Ранее устройство критиковали за риск скрытой съёмки, а недавно издание Wired нашло в приложении Meta AI намёки на будущую функцию распознавания лиц. Тем не менее, благодаря искусственному интеллекту и встроенным возможностям очки поддерживают людей с нарушениями зрения: они озвучивают тексты и сообщения, дают возможность отвечать на них и распознают объекты вокруг. Устройство дополнительно транслирует видео волонтёрам Be My Eyes, которые через камеру очков помогают с выбором товаров или одежды. Meta* признана экстремистской организацией на территории РФ

Аффтар, пешы ысчо © Рынок электронных книг захлестнула лавина нейросетевого чтива. Американские учёные проверили тысячи самиздатовских новинок на Amazon и выяснили: каждая пятая уже в значительной мере написана искусственным интеллектом (смотрите график). ИИ-книги обычно продаются слабо и получают низкие оценки. Но их так много, что рынок буквально трещит по швам: общее число наименований за последние три года выросло в 19 раз, а совокупная выручка – лишь в 9. В итоге заработок с каждого отдельного экземпляра просел (причём у живых авторов тоже). Машины берут не качеством, а объёмом. Самые расторопные уже поставили этот конвейер на поток и зарабатывают сотни тысяч долларов. Некая Корал Харт за год выпустила больше двухсот любовных романов под 21 псевдонимом. А самый успешный синтетический хит принёс создателю $643 тысячи. Конечно, многие из нас уже поёживаются, обнаруживая ИИ-текст или картинку. Но огромной массе читателей всё равно, кто написал книгу – человек или алгоритм. Им нужно просто скоротать вечер за нехитрым сюжетом: очередной мелодрамой или дежурным детективом, где убийца опять шофёр. И нейросети закрывают такой спрос идеально. Позволю себе даже снобистское высказывание – они лучше понимают и удовлетворяют непритязательный художественный вкус широких масс. Что ж, добро пожаловать в рыночную эффективность. Перед нами генеральная репетиция того, что ждёт любую нишу, где порог входа стремится к нулю, а внимание клиента – величина конечная. Музыка, стоковые фото, видео, образовательные курсы – все они либо уже внутри подобных трансформационных процессов, либо в очереди. Создателям контента придётся принять неприятный факт: массовый покупатель голосует рублём вовсе не за шедевры. Поэтому ставку стоит делать на то, что нельзя нагенерить кнопкой – узнаваемый, индивидуальный голос, доверие, личный бренд, комьюнити. В контенте, как и в бизнесе, всё сильнее работает формула: недостаточно хорошего продукта. Тебе нужно уметь его упаковать и маркетировать. Ну а сам контент машина уже производит быстрее, дешевле и, к сожалению для нас, кожаных писателей – всё лучше и лучше.

С начала года я активно пилю свой иишный «второй мозг». Сначала он вырос из моего личного дневника в накопленный контекст жизни, для более качественных ответов с ИИ в чатике. Потом поверх него начал достраиваться контекст по проектам, CRM контактов, доступ к звонкам, телеге, дашбордам и разные агенты, которые помогают принимать решения, трекать меня по целям и задачам. Сейчас я пытаюсь формировать такие контексты для проектов, в том числе, чтобы к ним могли подключаться сотрудники. Для его разработки и обучения сотрудников нанял штатного вайбкодера и сам очень много рисерчу. В основном у западных компаний. Недавно наткнулся Грега Айзенберга, основателя Late Checkout ($100M+ выручка). Он описал, как сегодня выглядит оргчат его бизнесе. В управлении тонкий слой людей, отвечающих за стратегию, креатив и суждения. Под ним широкий слой AI-агентов: саппорт, продажи, исследования, маркетинг, операции. Управление людьми всё больше превращается в управление агентами, а управление агентами в управление и создание контекста. По его мнениею, контекст — это и есть компания, общий мозг, к которому подключены люди и AI. Люди приходят и уходят, агенты меняются и устаревают, а контекст остаётся, накапливается и развивается. Управление его компанией, это способность сохранять и управлять контекстом, который ускоряет и людей, и агентов. Возможно, пока чуть сложно и абстракно звучит, но я все больше в этом убеждаюсь по мере развития собственного «второго мозга». Как-нибудь сделаем эфир и покажу как все это выглядит.

Замена роботов Аналитики посчитали, что 8% полок во всех магазинах реально пустуют, пока учетная система думает, что там стоит товар. Это стоит сетям триллион долларов выручки в год. Сумма, мягко говоря, круглая. Починить её “легко”, надо просто почаще смотреть на полки и сравнивать то, что видишь, с тем, что программа показывает. При расхождении – чинить. Основной вопрос – а кто, собственно, будет смотреть. Walmart даже роботов специальных для этого делал. Американский #стартапдня Augmodo придумал идею красивее. Он вешает на обычного сотрудника специальный бейджик с двумя камерами. Человек ходит по залу по своим делам, онлайн-заказы, например, собирает. Бейдж в это время снимает стеллажи по пути, а Умные Алгоритмы собирают из этого карту магазина: что где реально стоит, где дырка, совпадает ли живая выкладка с планом. В итоге, если сравнивать с роботом, – не надо покупать специальную железку, не надо её заряжать, не надо обслуживать. Человек выполняет все те же функции совершенно бесплатно и по пути к основной работе. Вся нагрузка – лишние сто грамм на шее, зарплату наверняка ни на копейку не поднимают. Стартапу три года, оценка в последнем раунде – 350 миллионов долларов. https://www.augmodo.com/ #магазин #офлайн #железо #roundb #сша

Context-1 — поисковый агент, который умеет избавляться от лишнего. Часть 1/2 Авторы сегодняшней статьи заявляют следующую проблему. Когда агент ищет что-то в поиске, то нерелевантные страницы, выданные браузером, всё равно остаются в контексте агента. Чтобы справиться с этим, контекст можно обрезать или суммировать. Ещё одно весьма перспективное направление в этой области — self-editing context, при котором модель сама определяет, что ей нужно для решения задачи и может отбрасывать бесполезные документы. Этот подход авторы статьи и берут за основу своего субагента Context-1, построенного на модели в 20B параметров. В его арсенале есть четыре инструмента. Первый, search_corpus(query), позволяет оценивать релевантность документа: отбирается 50 документов, ранжируются, самые подходящие отправляются модели в рамках доступного бюджета токенов. Инструмент grep_corpus(pattern) проводит поиск с помощью регулярных выражений, read_document(doc_id) нужен, чтобы прочитать документ. Самый интересный из инструментов — prune_chunks(chunk_ids), который даёт модели возможность убрать какие-то фрагменты из контекста с сохранением траектории. После каждого шага модели сообщается, сколько токенов у неё осталось. Когда контекст заполнен наполовину, модель советуют освободить его, — но только на обучении, не на инференсе. После преодоления какого-то порога по токенам, модель начинает получать отбивку о необходимости почистить контекст на каждый запрос вызова инструментов для получения новых документов. В этом случае модель либо должна выдать ответ, либо запустить prune_chunks(chunk_ids). Авторы придумали, как генерировать синтетические данные для RL с возрастанием по сложности. Генерация происходит в пять стадий: Gather supporting documents — сбор сопутствующих документов, которые содержат уникальные факты на основе заданного сида. В статье приводится пример с сидом «Синагоги в Брюсселе», по которому модель собрала факты вроде «Синагоги выполнены в романо-византийском стиле». Generate clues (obfuscated references to facts) — собранные на первом этапе факты встраиваются в одну задачу, загадку, где разные сущности заменены фактами. Так, вместо, собственно, «синагога» в этом тексте будет сказано «религиозные сооружения в романо-византийском стиле». Verify that the task is valid — этап проверки, что в сопутствующих документах есть подсказки, ведущие к ответу. То есть в каком-то из документов должно быть прямо сказано, что «синагога — это религиозное сооружение в романо-византийском стиле». Проверка осуществляется не с помощью LLM, а просто кодом на Python. Optionally, collect distractors — опциональное добавление в базу документов-дистракторов. Важно, чтобы они не только вели модель по ложному пути, но и случайно не содержали правильных ответов. Optionally, recursively chain — опциональная генерация задач, которые связаны с прошлыми задачами. Так получается синта, которую нужно решать в несколько шагов. Во второй части поговорим об обучении и результатах. Разбор подготовил ❣ Владислав Пыж Душный NLP

Про аутрич в WhatsApp 😀 Статус: все сложно Если в телеге уже более-менее понятны алгоритмы и система разбана, то в вотсе за неделю я словила три блока аккаунта: один раз – запрет на отправку сообщений новым контактам на 6 часов, и два раза – полную потерю доступа с последующим обжалованием через поддержку Реакция на сообщения в 50% негативная В отличие от пользователей телеги, там почти каждый спрашивает, как я вообще нашла его номер телефона. Для них, кажется, до сих пор открытие, сколько данных о нас лежит в интернете, бедолаги) При этом многие сами переводят общение из линкедина в WhatsApp и спокойно скидывают свой номер Есть гипотеза, что все очень зависит от сферы. Белые компании пока не особо рады, когда им сразу пишут в WhatsApp, а вот в айгеминг это, кажется, вообще никого не смущает)) Короче, пока наблюдаю, и не теряю надежды на золотую вотс ап-аутрич-жилу 😅

Давно не было материалов по подготовке к интервью! Давайте разберем один из самых важных вопросов на recruiter screen: What are your salary expectations? И сразу reality check: в США первое собеседование очень часто проходит просто по телефону. Вам звонит рекрутер, никакого Zoom, вы сидите и разговариваете с телефоном. Такая культура, оторви и выбрось. Теперь про деньги. Есть несколько стратегий ответа на вопрос про salary expectations. 👉🏻Вилка уже указана в JD. Самый простой вариант. Не надо придумывать новую вилку и начинать торговаться с самим собой. Можно ответить: “My expectations are within the range posted for this role. At this stage, I’d like to learn more about the position and the overall compensation package.” Все. Вы подтвердили, что бюджет вас устраивает, но конкретную цифру пока не назвали. 👉🏻Вилки в JD нет, но компания большая. Идем исследовать. Смотрим Levels.fyi, Salary.com, Glassdoor Salaries и другие источники и пытаемся понять, сколько именно эта компания платит людям вашего уровня. Тогда можно сказать: “Based on my research, the company’s compensation for this type of role is within my expectations. I’d be happy to discuss the exact number once I understand the scope and level of the position better.” То есть опять не торгуемся сами с собой на первом звонке. 👉🏻Самый веселый вариант: информации нет вообще. Ни вилки, ни нормальных данных по компании. Тогда исследуем эту позицию в этой локации и понимаем market range. Я бы ориентировалась на верхнюю часть вилки, если ваш опыт ее действительно поддерживает. Например: “Based on my research for similar roles in this market, I’d be targeting the upper part of the market range. As we move forward and I learn more about the scope and expectations for the role, I’ll be able to give you a more precise number. I’m confident we can find common ground if there’s a mutual fit.” Задача recruiter screen: не выиграть salary negotiation. Задача: не назвать случайно цифру на $30K ниже бюджета компании и не дисквалифицировать себя цифрой, взятой с потолка. Сначала выясняем scope, level, expectations и total compensation. Чем дальше вы проходите по процессу, тем больше информации у вас для нормальных переговоров. Hopefully that helps. #interview #interviewtips

Новое знание и непрогнозируемый ущерб Первый параметр хорошей ошибки: это новое знание. Если в результате действия мы получаем новую информацию, то это уже не ошибка, а опыт или эксперимент. Если же в результате мы ничего нового не узнаем, то это не опыт, это может быть просто глупостью. Если мы кинем ноутбук в воду и после этого он перестанет работать — то тут нет никакого нового знания. Мы просто сделали глупую вещь. Если же мы кинули кусок каучука на плиту и получили вулканизированную резину — то это полезная ошибка. Второй параметр: нет значительного непрогнозируемого ущерба. Иногда эксперименты стоят денег, даже сравнительно больших денег. В краш-тестах бьют машины чтобы понять, как машина ведет себя при аварии. В этом случае наши затраты на тест — это стоимость машины. Это может быть значительная сумма, однако она необходима для сертификации или создания более безопасных машин. Мы прогнозируем эту сумму как убыток, для нас не будет сюрпризом, что мы списали эту машину. Если мы разбили машину и не получили новой информации — то вот это точно глупость. Во всем нужен баланс. Чернобыльская авария дала нам кучу новой информации про радиацию, работу оборудования, поведение природы при облучении и т.д. Однако цена за это новое знание была слишком высока, чтобы признать это полезной ошибкой. Если определять сколько же мы можем потратить на новое знание — зависит от компании и ее аппетитов. Нетфликс достаточно четко понимала, что для того, чтобы понять рынок, необходимо тратить деньги. В 2017 году перед Нетфликс стояла задача выйти на зарубежные рынки. 80% роста было за пределами США. Нужно было завоевать Бразилию, Индию, Индонезию. Однако компания совершенно не представляла что происходит на рынках этих стран, какие шоу будет пользоваться успехом, какие нет. Один из принципов, как принимать решения: это познавательная ценность неудачи. Когда ваша команда покупает и производит контент в разных странах мира, необходимо сосредоточиться на уроках, которые можно извлечь из любого опыта. Будьте готовы делать крупные рискованные ставки в странах с наибольшим потенциалом, таких как Индия и Бразилия, чтобы мы могли как следует изучить их рынок. Нам нужны победы, но еще больше нам нужны крупные, громкие поражения, на которых мы сможем учиться. Нам нужно постоянно задаваться вопросом: «Если мы купим вот эту программу и она провалится, какую информацию нам это даст? Если какую-то большую и важную, нужно покупать». То есть, Нетфликс спокойно могла позволить потерять несколько миллионов долларов — но компания прогнозировала этот ущерб. И здесь ключевые слова: значительный и непрогнозируемый. Если ущерб не значительный — то можно не думать и даже не особо волноваться на этот счет. Если ущерб значительный, но прогнозируемый — то почему бы и нет? #чф #ошибки

Зачем пожилым людям метаверс. (я сейчас не о вас, сорокалетние тинейджеры) Эту потрясающую историю прислал подписчик.

Пожилую женщину друзья уговорили зарегистрироваться на платформе Opensim. Помогли ей настроить симпатичную аватарку и оставили самостоятельно познавать этот мир. Она худо-бедно научилась управлять аватаром и плясать в клубах. У нее появилось куча друзей, еще мужики пишут, подкатывают. Ее это очень зацепило! И аватар у нее молоденькая, красивая девушка. Скоро она нашла себе там пару! Самое интересное, что в ней проснулась жуткая страсть, желание быть женственной и соблазнительной. И захотелось ей сделать себе супер развратную аватарку, со всеми кардашьянами наружу, дабы держать своего кавалера в тонусе и фокусе. Просто подарить готовый аватар было мало, решили научить ее делать все самой. Созвонились по зуму и пока объясняли, что да как, сзади возник дед. Муж ее, то есть, реальный. Он начал ворчать, что дома жрать нечего, пока она фигней мается. Она предложила ему присоединиться. Мол, сделаем тебе аватар секси мальчика, будешь плясать и девок соблазнять. Деда пока так и не получилось индоктринировать, но ее аватарка в итоге была сделана отлично и представляла собой чистейший грех! Подозреваю, что ее кавалер теперь испытывает определенное напряжение, глядя, как их авики вместе танцуют румбу)

Глядишь, там и до теледильдоники дойдет. Должна же быть какая-то радость на пенсии кроме выращивания помидоров.